STATISTIKA

Lecture 6 Analisis Korelasi dan Regresi Linear Sederhana

Content
1. 2. 3. 4. 5. 6.
a. b. c.

Pentingnya analisis hubungan Koefisien korelasi dan kegunaannya Koefisien korelasi data berkelompok Korelasi rank (peringkat) Korelasi data kualitatif Teknik ramalan dan analisis regresi Diagram pencar (scatter diagram)

Persamaan regresi linear Penggunaan persamaan regresi dalam peramalan

Stat/1-6/DiahSuhodo

Pentingnya analisis hubungan

Setiap kegiatan ekonomi tidak bisa berdiri sendiri, melainkan akan berhubungan dengan kegiatan lainnya. Pada suatu kejadian pasti ada hal-hal yang menyebabkan terjadinya kejadian-kejadian tersebut. Hal ini disebut korelasi, yakni adanya hubungan antara satu kejadian dengan kejadian lainnya. Analisis Korelasi: Suatu teknik statistika yang digunakan untuk mengukur keeratan hubungan atau korelasi antara dua variabel.

Stat/1-6/DiahSuhodo

Dalam perencanaan, selain penting untuk mengetahui data masa lalu dan sekarang, juga memerlukan data hasil ramalan yang menggambarkan kemampuan di masa datang. Misal: untuk merencanakan impor padi pemerintah perlu data ramalan hasil produksi padi. Ramalan: perkiraan/taksiran mengenai terjadinya suatu aktivitas di masa depan. Dibutuhkan 2 variabel: 1. Variabel bebas (independent variabel), X 2. Variabel tak bebas (dependent variabel), Y

Stat/1-6/DiahSuhodo

Koefisien korelasi dan kegunaannya

1. 2.

Hubungan 2 variabel: Positif : bila X maka Y, bila X maka Y Negatif : bila X maka Y, bila X maka Y Jika antara X dan Y berhubungan, maka diagram pencarnya teratur. Jika antara X dan Y tidak berhubungan, maka diagram pencarnya tidak teratur.

Stat/1-6/DiahSuhodo

Koefisien korelasi (r): untuk mengukur kuat/tidaknya hubungan antara X dan Y Nilai koefisien korelasi: -1 r 1 r = 1, hubungan X dan Y sangat kuat dan positif. r = -1, hubungan X dan Y sangat kuat dan negatif r = 0, hubungan X dan Y sangat lemah atau tidak berhubungan.

Data tidak berkelompok

r=

xy x y
2

x=X X y = Y Y
atau r= n XY X Y
2

n X 2 ( X ) Disebut juga

n Y 2 ( Y )

Rumus Korelasi Pearson

Stat/1-6/DiahSuhodo 6

Besarnya kontribusi X terhadap nilai Y bisa dihitung dengan koefisien penentuan KP (coefficient of determination)

KP = r

Data berkelompok

r=

n u 2 f ( uf )

n uvf uf vf
2

n v 2 f ( vf )

Lihat contoh di excel

Stat/1-6/DiahSuhodo

Korelasi rank/peringkat (Spearman)

Digunakan untuk memberikan nilai/ peringkat terhadap dua hal yang sejenis. Misal: Andi dan Toni sama-sama penggemar kopi. Mereka diminta memberikan nilai terhadap 10 merk kopi, dari yang paling digemari (rank 1) hingga yg paling tidak digemari (rank 10).
No 1 2 3 4 5 6 7 8 9 10 Merk kopi Torabika Nescafe Indocafe Kapal Api ABC susu Indocafe Cappucino Nescafe pas Torabika mocca Nescafe ice Ali coffe Rank Andi 9 5 10 1 8 7 3 4 2 6 Rank Toni 8 3 9 2 7 10 4 6 1 5

Stat/1-6/DiahSuhodo

Rumus Rank (Rumus Spearman)

rrank = 1

n n 2 1

6 d 2

d = selisih dari pasangan rank ke-i

Rumus Spearman lebih sederhana dan mudah untuk digunakan dibanding Rumus Pearson

Stat/1-6/DiahSuhodo

Korelasi data kualitatif

Rank bukan hanya digunakan dalam bentuk data kuantitatif, tapi termasuk juga data kualitatif. Contoh: kategori mobil: mobil besar, sedang dan kecil; hubungan antara selera dengan letak geografis, dsb Koefisien bersyarat (contingency coefficient): untuk mengukur kuat tidaknya hubungan pada data kualitatif. Memiliki arti seperti koefisien korelasi.

Stat/1-6/DiahSuhodo

10

Cc =
p

2 2 +n
q p q p q i =1 j =1 i =1 j =1

Cc = koefisien bersyarat n = banyaknya observasi fi = frekuensi pada baris (i= 1,2,,p) fj= frekuensi pada kolom (j=1,2,,q) 2 = kai kuadrat e = frekuensi harapan ni = jumlah data pada baris nj = jumlah data pada kolom Cc < 0.5 hubungan lemah 0.5 < Cc < 0.75 hubungan sedang 0.75 < Cc < 0.9 hubungan kuat 0.9 < Cc < 1 hubungan sangat kuat Cc > 1 hubungan sempurna Lihat contoh di excel
11

n = f ij = ni = n j = nij
i =1 j =1 p

=
2 i =1 j =1

(f

ij

eij ) eij

eij =

ni n j n
p i =1 q

ni = f i nj = f j
j =1

Stat/1-6/DiahSuhodo

Teknik ramalan dan analisis regresi

a.

1.

Diagram pencar (scatter diagram) Setelah mengetahui hubungan antara variabel, analisis selanjutnya akan menggunakan grafik yang disebut diagram pencar. Diagram pencar menunjukkan titik-titik tertentu, dimana setiap titik merupakan nilai dari variabel dependen dan independen 2 manfaat diagram pencar: Menunjukkan apakah terdapat hubungan yang bermanfaat antara 2 variabel

2.

Menetapkan tipe persamaan dari hubungan tersebut

Stat/1-6/DiahSuhodo

12

Persamaan regresi linear

Garis lurus pada diagram pencar merupakan garis regresi (garis perkiraan) Menggunakan metode kuadrat terkecil (method of least square) Bentuk persamaan regresi: Y = a + bX a = Y pintasan (nilai Y bila X=0) b = kemiringan garis regresi (koefisien regresi) yang mengukur besarnya pengaruh X terhadap Y jika X naik satu unit X = nilai dari variabel bebas Y = nilai yang dihitung pada variabel tak bebas

Stat/1-6/DiahSuhodo

13

2 sifat garis regresi: (Y-Y) = 0

(Y-Y)2 = nilai terkecil

Garis regresi akan ditempatkan pada diagram sedemikian rupa sehingga penyimpangan positif titik-titik pencar akan mengimbangi penyimpangan negatif titik-titik pencar, sehingga penyimpangan titik-titik pencar terhadap garis regresi menjadi nol (lihat peraga 7.6 hlm. 175)

Stat/1-6/DiahSuhodo

14

Rumus regresi sederhana:

Y ' = a + bX a = Y bX

xy b= x n XY X Y b= n X ( X )
2 2 2

( ) y = (Y Y ) xy = (X X )(Y Y )
x= X X

Lihat contoh di excel

Stat/1-6/DiahSuhodo

15

Penggunaan persamaan regresi dalam peramalan

Contoh: manajer perusahaan akan mempekerjakan karyawan dengan tes kecerdasan 4, dan supervisor menginginkan karyawan yang memiliki produktivitas minimal 30 lusin. Sangat sulit untuk mengatakan dengan tepat berapa produktivitas calon karyawan di masa depan, tetapi manajer bisa memperkirakannya dengan menggunakan persamaan regresi-nya. Persamaan regresi Y= 1.02 + 5.14X Peramalan: Y= 1.02 + 5.14(4) = 21.58 Means: diperkirakan tingkat produktivitas calon karyawan sebanyak 21.5 lusin

Stat/1-6/DiahSuhodo

16